Analyse de séries chronologiques Partie 1 Autocorrélation

Objectif

Les données

J'ai décidé d'utiliser les données historiques TOPIX pour le moment car je voulais bouger mes mains en lisant. https://quotes.wsj.com/index/JP/TOKYO%20EXCHANGE%20(TOPIX)/180460/historical-prices J'ai pu le télécharger à partir du site Web du WSJ.

Il semble qu'il n'y ait aucune valeur manquante pour le moment. La période est du 30 décembre 2008 au 29 novembre 2019. Données historiques de 4 valeurs sans ajustement ex-dividende. Lorsque vous tracez le cours de clôture, il ressemble à la figure ci-dessous. C'est une période entre le moment où les 1000 points ont été cassés immédiatement après le choc de Lehman et le moment où Avenomics a été adopté. TOPIX.png Les rendements quotidiens sont les suivants. Comme c'est quotidien, cela ne fera pas une grande différence, mais j'ai utilisé un retour logarithmique ($ \ Delta \ log {y_t} = \ log {(y_t)} - \ log {(y_ {t-1})} $). save.png save.png La plus forte baisse a été enregistrée le 15 mars 2011, à $ \ Delta \ log {y_t} = -0,0995 $. La cause était que le tremblement de terre au large de l'océan Pacifique dans la région de Tohoku s'est produit environ 15 minutes avant la fermeture de la veille.

Diverses statistiques

moyenne \bar{y} = \frac{1}{T}\displaystyle{\sum_{t=1}^{T}y_t}

tpx_return = np.log(tpx['close'].values)[1:] - np.log(tpx['close'].values)[:-1]
tpx_return.mean()
0.00025531962222667643

** auto-covariance ** \hat{\gamma}_k = \frac{1}{T} \displaystyle{\sum\_{t=k+1}^{T}}(y\_t-\bar{y})(y\_{t-k}-\bar{y}),\quad k = 0,1,2,...

import statsmodels.api as sm
sm.tsa.stattools.acovf(tpx_return, fft=True, nlag=5)
array([ 1.57113176e-04,  1.16917913e-06,  3.48846296e-06, -4.67502133e-06, -5.31500282e-06, -2.82855375e-06])

Je ne suis pas habitué à la bibliothèque statsmodels, alors vérifiez-la à la main.

# k=0
((tpx_return-tpx_return.mean())**2).sum() / len(tpx_return)
0.00015711317609153836
# k=4
((tpx_return-tpx_return.mean())[4:]*(tpx_return-tpx_return.mean())[:-4]).sum() / len(tpx_return)
-5.315002816332674e-06

** Auto-corrélation ** \hat{\rho}_k = \frac{\hat{\gamma}\_k}{\hat{\gamma}\_0},\quad k=1,2,3,...

sm.tsa.stattools.acf(tpx_return)[:5]
array([ 1.        ,  0.00744164,  0.0222035 , -0.02975576, -0.03382913])

Si vous vérifiez en utilisant les résultats de $ k = 0 $ et $ k = 4 $ plus tôt,

-5.315002816332674e-06 / 0.00015711317609153836
-0.03382913482212345

Il semble donc que la bibliothèque fasse le calcul comme je l'imaginais.

Je vais également dessiner un cholérogramme. Un cholérogramme est un graphique du coefficient d'autocorrélation.

autocorr = sm.tsa.stattools.acf(tpx_return)
ci = 1.96 / np.sqrt(len(tpx_return))
plt.bar(np.arange(len(autocorr)), autocorr)
plt.hlines([ci,-ci],0,len(autocorr), linestyle='dashed')
plt.title('Correlogram')
plt.ylim(-0.05,0.05)
plt.show()

save.png

L'IC (intervalle de confiance) est un intervalle de confiance. Lorsque les données sont indépendantes les unes des autres et suivent la même distribution, $ \ hat {\ rho} _k $ fait progressivement la moyenne de $ 0 $ et les variances $ \ frac {1} {T. Nous calculons 95% des deux côtés en utilisant la propriété de suivre la distribution normale de} $.

Cela ressemble à ceci lors de l'utilisation de la bibliothèque. À la mode.

sm.graphics.tsa.plot_acf(tpx_return)
plt.ylim(-0.05,0.05)
plt.show()

save.png

Pensez un peu aux chiffres que vous avez. \hat{\rho}\_{k=11}=-0.0421, \quad \hat{\rho}_{k=16}=0.0415 Il est légèrement supérieur à $ CI = 0,0379 $ deux fois. En particulier, $ \ hat {\ rho} \ _ {k = 12} = -0.0323 $ est également une valeur négative, ce qui suggère que même si le prix du marché commence à augmenter ou baisser une fois, l'élan prendra fin dans environ 2 semaines. Vous pourrez peut-être penser que vous le faites.

Test du sac (test du portemanteau)

Une méthode pour tester l'hypothèse nulle selon laquelle plusieurs coefficients d'autocorrélation sont tous égaux à 0. H_0 : \rho_1 = \rho_2 =\quad ... \quad= \rho_m = 0 Ici, nous allons effectuer le test en utilisant les statistiques de Ljung et Box (1978) présentées dans le livre. L'approche consiste à comparer le $ Q (m) $ ci-dessous avec le point à 95% de la distribution du chi carré. Q(m) = T(T+2)\displaystyle{\sum\_{k=1}^{m}}\frac{\hat{\rho}^2_k}{T-k} \sim \chi^2(m) De plus, une statistique appelée valeur P est également définie, qui indique la probabilité qu'une variable de probabilité suivant la distribution du chi carré prenne une valeur supérieure à $ Q (m) $. Autrement dit, en supposant un niveau de signification de 5%, $ H_0 $ est rejeté lorsque la valeur P est inférieure à 0,05. Quant à la valeur de $ m $, $ m \ approx \ log {(T)} $ semble être un guide, mais il semble qu'il soit courant de tester plusieurs $ m $ et de porter un jugement complet. Est.

Tout d'abord, à partir du modèle qui utilise la bibliothèque de modèles de statistiques. $ m \ approx \ log {(T)} = 7.89 $ Donc, pour le moment, considérez le décalage dans la plage allant jusqu'à 16.

lvalue, pvalue = sm.stats.diagnostic.acorr_ljungbox(tpx_return)

C'est tout. Très facile. save.png

La valeur P n'est pas tombée en dessous de 0,05 quelle que soit la valeur de $ m $, et le résultat est que le taux de changement quotidien de TOPIX ne peut être considéré comme ayant une autocorrélation. Eh bien, le prix du marché n'est pas si simple.

Enfin, essayez sans bibliothèque pour approfondir votre compréhension.

from scipy.stats import chi2

def Q_func(data, max_m):
    T = len(data)
    auto_corr = sm.tsa.stattools.acf(data)[1:]
    lvalue = T*(T+2)*((auto_corr**2/(T-np.arange(1,len(auto_corr)+1)))[:max_m]).cumsum()
    pvalue = 1 - chi2.cdf(lvalue, np.arange(1,len(lvalue)+1))
    return lvalue, pvalue

Confirmez que le même résultat est obtenu.

l_Q_func, p_Q_func = Q_func(tpx_return,max_m=16)
l_sm, p_sm = sm.stats.diagnostic.acorr_ljungbox(tpx_return, lags=16)
((l_Q_func-l_sm)**2).mean(), ((p_Q_func-p_sm)**2).mean()
(0.0, 7.824090399073146e-34)

Si vous regardez de plus près le cas de $ m = 8 $,

T = len(tpx_return)
auto_corr = sm.tsa.stattools.acf(tpx_return)[1:]
lvalue = T*(T+2)*((auto_corr**2/(T-np.arange(1,len(auto_corr)+1)))[:8]).sum()
print(lvalue)
8.604732778577853
1-chi2.cdf(lvalue,8)
0.37672860496603844

save.png

Il s'avère donc qu'il est assez difficile de rejeter l'hypothèse nulle.

Recommended Posts

Analyse de séries chronologiques Partie 1 Autocorrélation
Analyse de séries chronologiques Partie 3 Prévisions
Python: analyse des séries chronologiques
Analyse des séries chronologiques Partie 2 AR / MA / ARMA
Analyse des séries chronologiques RNN_LSTM1
Analyse des séries chronologiques 1 Principes de base
Python: analyse des séries chronologiques: prétraitement des données des séries chronologiques
Analyse des séries chronologiques
Analyse des séries chronologiques 3 Prétraitement des données des séries chronologiques
Analyse des séries chronologiques 2 Stabilité, modèle ARMA / ARIMA
J'ai essayé l'analyse de séries chronologiques! (Modèle AR)
Décomposition des séries temporelles
Analyse des séries chronologiques 4 Construction du modèle SARIMA
Analyse des séries chronologiques n ° 6 Faux retour et partie républicaine
série pandas partie 1
Python: analyse des séries temporelles: création d'un modèle SARIMA
Python: Analyse des séries temporelles: Constantity, modèle ARMA / ARIMA
Kaggle ~ Analyse du logement ③ ~ Part1
Question sur la série chronologique Python
Afficher les séries chronologiques TOPIX
Diagramme de séries chronologiques / Matplotlib
Python 3.4 Créer un environnement Windows7-64bit (pour l'analyse des séries chronologiques financières)
Application Python: Pandas Partie 2: Série
Défi des prévisions de ventes futures: ② Analyse des séries chronologiques à l'aide de PyFlux
Une méthode d'étude pour les débutants pour apprendre l'analyse des séries chronologiques
[Python] Tracer des données de séries chronologiques
Wrap Analysis part1 (préparation des données)
Défi des prévisions de ventes futures: ⑤ Analyse des séries chronologiques par Prophet
Défi pour les prévisions de ventes futures: ① Qu'est-ce que l'analyse des séries chronologiques?
[Statistiques] [Analyse des séries chronologiques] Tracez le modèle ARMA et saisissez la tendance.
Prédiction de séries chronologiques facile avec Prophet
L'intrigue de séries temporelles a commencé ~ édition python ~
À propos des données de séries chronologiques et du surentraînement
Traitement de l'analyse japonaise à l'aide de Janome part1
Différenciation des données de séries chronologiques (discrètes)
Statistiques de mouvement pour la prédiction de séries chronologiques
LSTM (1) pour la prédiction de séries chronologiques (pour les débutants)
Bibliothèque d'analyse de données multidimensionnelle xarray Partie 2
Puissance des méthodes de prédiction dans l'analyse de données chronologiques Semi-optimisation (SARIMA) [Memo]
Illustrez instantanément la période prédominante dans les données de séries chronologiques à l'aide de l'analyse spectrale